我定义了一些计算值和相关的摘要，使用的是

keep_prob_val = tf.sub(1.0, tf.train.exponential_decay(1 - FLAGS.keep_prob, global_step, FLAGS.decay_steps,                                                        FLAGS.dropout_decay_rate, staircase=False))keep_prob_summary = tf.scalar_summary('params/keep_prob', keep_prob_val)

并设置了一些合并的摘要，使用的是

train_writer = tf.train.SummaryWriter(FLAGS.train_dir.format(log_id), tf.get_default_graph())test_writer = tf.train.SummaryWriter(test_dir)merged = tf.merge_all_summaries()

但当我随后

sess.run(train_step, feed_dict={x: xs, y_: ys,                                keep_prob: sess.run(keep_prob_val)})# ...test_writer.add_summary(sess.run(merged, feed_dict={ ..., keep_prob: some_val}),                         global_step=gs)

其中keep_prob之前已被定义为

keep_prob = tf.placeholder(tf.float32, name='keep_prob')

我得到的摘要信息是计算得到的keep_prob_val，而不是我喂入的some_val。即使我没有明确喂入keep_prob，也会如预期般报错，这种情况仍然会发生。

据我所知，这种情况只发生在涉及keep_prob的摘要上。例如，当我

sess.run(accuracy, feed_dict={ ..., keep_prob: some_val})

我似乎得到了使用some_val计算的accuracy，这与相关的摘要相符。

为什么我在摘要中喂入的keep_prob值被忽略了？

回答：

摘要并不依赖于你的keep_prob占位符，而是依赖于FLAGS.keep_prob值：

keep_prob_val = tf.sub(1.0, tf.train.exponential_decay(    1 - FLAGS.keep_prob, global_step, FLAGS.decay_steps,                    FLAGS.dropout_decay_rate, staircase=False))keep_prob_summary = tf.scalar_summary('params/keep_prob', keep_prob_val)

因此，你的摘要将始终包含由--keep_prob标志设置的（可能已经衰减的）值（或其默认值）。

为了使摘要反映喂入的值，你应该简单地重新定义keep_prob_val和keep_prob_summary，使其依赖于占位符：

keep_prob = tf.placeholder(tf.float32, name='keep_prob')# ...keep_prob_val = tf.sub(1.0, tf.train.exponential_decay(    1 - keep_prob,  # 注意：关键更改在这里！    global_step, FLAGS.decay_steps, FLAGS.dropout_decay_rate, staircase=False))keep_prob_summary = tf.scalar_summary('params/keep_prob', keep_prob_val)